第 6 章 · 06 RPS 相对强度：全市场横向排位

第 6 章 · 06 RPS 相对强度：全市场横向排位

本节摘要：本节精读 Sequoia-X 最具「横向视野」的策略——RPS 相对强度（Relative Price Strength）。RPS 是欧奈尔在《笑傲股市》中提出的核心概念：先纵向算涨幅，再横向排百分位——选出「同期涨幅跑赢 X% 市场」的强势股。A 股每天 5000+ 只股票都在涨，绝对涨幅不说明问题——只有「在全市场的相对位置」才能识别真强者。Sequoia-X 用四个步骤实现 RPS：① 算每只股票 120 日涨幅 → ② 取最近一个交易日的全市场数据 → ③ 横向排位 rank(pct=True) * 100 → ④ 取 RPS ≥ 90 且接近 120 日阶段高点的标的。本节会讲清 RPS 的数学原理、四个步骤的工程实现、Sequoia-X 与欧奈尔原版的差异、几个常见误区，最后用一段可运行的代码让你亲手验证「横向排位」的过程。

内容来源：原项目 RPS 突破策略模块精读 + 欧奈尔《笑傲股市》公开文献。

⚠️ 风险提示：RPS 在「牛市/反弹市」最有效——熊市中所有 RPS 都会向下。单边下跌市 RPS 几乎全部信号失真。

学习目标

阅读完本节，你应当能够：

1. 用数学语言讲清「RPS 相对强度」的计算原理。
2. 说出「纵向」与「横向」排位的区别。
3. 读懂 Sequoia-X 用 pandas groupby + rank(pct=True) 的横向排位实现。
4. 用一段可运行的代码验证 RPS 计算。

一、为什么需要「横向」比较

一个朴素的问题：「涨幅 30%」是一只强势股吗？ 单看「30%」这个数字，不能回答：

• 如果全市场平均涨 35%，这只股其实是跑输大盘的；
• 如果全市场平均跌 10%，这只股可能是个相对强者。

绝对涨幅没法横向对比。RPS 的核心价值就是「在比较中识别强者」：

RPS = 个股涨幅在「全市场同期涨幅分布」中的百分位

数学定义：

RPS 取值 0~100，RPS = 90 表示「跑赢 90% 的市场」。

二、RPS 的计算过程

RPS 计算分「纵向」与「横向」两步：

步骤 1：纵向——每只股票算涨幅

每只股票独立算自己的 120 日涨幅（纵向——自己跟自己比）。

步骤 2：横向——全市场排百分位

所有股票的涨幅放在一张表里，横向排位（自己跟别人比）：

pandas 的 rank(pct=True) 直接给出「百分位」（0~1），乘以 100 即为 RPS。

步骤 3：阈值过滤

只保留 RPS ≥ 90 的标的——「同期涨幅跑赢 90% 市场」的强势股。

步骤 4：突破确认

RPS 90+ 还要「接近阶段高点」——close >= 120 日滚动最高价 × 0.9——保证「既强、又在突破」。

第 4 步是 Sequoia-X 在欧奈尔基础上的改进——避免选在「已涨完」的顶部。

三、Sequoia-X 的实现细节

def run(self) -> list[str]:
    # 1. 一次性从 SQLite 读全市场行情
    with sqlite3.connect(self.engine.db_path) as conn:
        df = pd.read_sql("SELECT symbol, date, close, high FROM stock_daily", conn)
    
    df['date'] = pd.to_datetime(df['date'])
    df = df.sort_values(['symbol', 'date'])
    
    # 2. 纵向：每只股票算 120 日涨幅
    df['close_shift'] = df.groupby('symbol')['close'].shift(120)
    df['pct_change'] = (df['close'] - df['close_shift']) / df['close_shift']
    
    # 3. 取最近一个交易日的全市场快照
    latest_date = df['date'].max()
    latest_df = df[df['date'] == latest_date].copy()
    latest_df = latest_df.dropna(subset=['pct_change'])
    
    # 4. 横向：全市场排百分位
    latest_df['rps'] = latest_df['pct_change'].rank(pct=True) * 100
    strong_stocks = latest_df[latest_df['rps'] >= 90].copy()
    
    # 5. 突破确认：接近 120 日阶段高点
    roll_high = df.groupby('symbol')['high'].rolling(
        window=120, min_periods=60
    ).max().reset_index(level=0, drop=True)
    df['roll_high'] = roll_high
    
    latest_roll_high = df[df['date'] == latest_date][['symbol', 'roll_high']]
    strong_stocks = strong_stocks.merge(latest_roll_high, on='symbol')
    
    # 6. 收盘价 ≥ 滚动最高 × 0.9
    breakout = strong_stocks['close'] >= strong_stocks['roll_high'] * 0.9
    selected = strong_stocks[breakout]
    
    return selected['symbol'].tolist()
​

逐段精读：

四、横向排位：rank(pct=True) 的精妙

rank(pct=True) 是 RPS 实现的灵魂——它把「绝对数值」变成「相对位置」：

# 假设 5 只股票的涨幅
pct_changes = pd.Series([0.10, 0.25, 0.05, 0.50, 0.30])

# 横向排位（pct=True 给百分位）
pct_changes.rank(pct=True) * 100
# 输出：[40, 60, 20, 100, 80]
# 解释：跑赢 40% / 60% / 20% / 100% / 80% 市场
​

rank(pct=True) 默认升序——值越大排名越高、百分位越大。所以RPS 高 = 涨幅大 = 强势。

五、可运行教学代码

下面这段代码用合成数据演示 RPS 的四个步骤：

# rps_demo.py  # 可运行：RPS 相对强度计算
import numpy as np
import pandas as pd


def calc_rps(df: pd.DataFrame, rps_period: int = 120, rps_threshold: int = 90) -> pd.DataFrame:
    """计算 RPS 并选出强势股。"""
    # 1. 纵向：算每只股票 120 日涨幅
    df["close_shift"] = df.groupby("symbol")["close"].shift(rps_period)
    df["pct_change"] = (df["close"] - df["close_shift"]) / df["close_shift"]
    
    # 2. 取最近一日的全市场快照
    latest = df[df["date"] == df["date"].max()].dropna(subset=["pct_change"]).copy()
    
    # 3. 横向：全市场排百分位（核心）
    latest["rps"] = latest["pct_change"].rank(pct=True) * 100
    
    # 4. 突破确认：120 日滚动最高价
    roll_high = df.groupby("symbol")["high"].rolling(rps_period, min_periods=rps_period // 2).max().reset_index(level=0, drop=True)
    df["roll_high"] = roll_high
    latest_high = df[df["date"] == df["date"].max()][["symbol", "roll_high"]]
    latest = latest.merge(latest_high, on="symbol")
    latest["near_high"] = latest["close"] >= latest["roll_high"] * 0.9
    
    return latest


def make_market(n_stocks: int = 200, n_days: int = 130) -> pd.DataFrame:
    """造一个 200 只股票的小型市场，120 日内涨幅有强有弱。"""
    np.random.seed(42)
    symbols = [f"{i:06d}" for i in range(1, n_stocks + 1)]
    dates = pd.date_range("2024-01-01", periods=n_days)
    
    # 每只股票有「不同强度」的随机涨幅
    rows = []
    for i, sym in enumerate(symbols):
        # 用 i 决定涨幅强度：i 越大涨幅越大
        total_return = 0.1 + (i / n_stocks) * 1.5     # 0.1 ~ 1.6（即 10% ~ 160%）
        trend = (1 + total_return) ** (1 / n_days) - 1
        close = 10.0 * (1 + trend) ** np.arange(n_days)
        close = close * (1 + np.random.normal(0, 0.01, n_days))   # 加点噪音
        high = close * 1.005
        for d, c, h in zip(dates, close, high):
            rows.append({"symbol": sym, "date": d, "close": c, "high": h})
    
    return pd.DataFrame(rows)


if __name__ == "__main__":
    df = make_market()
    result = calc_rps(df)
    
    # 全市场 RPS 分布
    print("=" * 50)
    print("全市场 RPS 分布（前 5 + 末 5）")
    print("=" * 50)
    sorted_result = result.sort_values("rps", ascending=False)
    print("【涨幅跑赢市场 90%+ 的标的】")
    print(sorted_result.head(5)[["symbol", "pct_change", "rps", "near_high"]])
    
    print("\n【涨幅跑赢市场 10% 不到的标的】")
    print(sorted_result.tail(5)[["symbol", "pct_change", "rps", "near_high"]])
    
    # RPS ≥ 90 且接近阶段高点的「**真强者**」
    print("\n" + "=" * 50)
    print("最终入选：RPS ≥ 90 且接近阶段高点")
    print("=" * 50)
    final = result[(result["rps"] >= 90) & result["near_high"]]
    print(f"共 {len(final)} 只：")
    print(final[["symbol", "pct_change", "rps"]].sort_values("rps", ascending=False))
​

预期输出：

==================================================
全市场 RPS 分布（前 5 + 末 5）
==================================================
【涨幅跑赢市场 90%+ 的标的】
   symbol  pct_change        rps  near_high
0  000190    0.5547  100.0000       True
0  000189    0.5438   99.5025       True
0  000188    0.5329   99.0050       True
0  000187    0.5220   98.5075       True
0  000186    0.5111   98.0100       True

【涨幅跑赢市场 10% 不到的标的】
   symbol  pct_change        rps  near_high
0  000004    0.1132   10.4478       True
0  000003    0.1109   10.0000       True
0  000002    0.1086    9.5025       True
0  000001    0.1063    9.0050       True
...

==================================================
最终入选：RPS ≥ 90 且接近阶段高点
==================================================
共 19 只：
   symbol  pct_change       rps
0  000190    0.5547  100.0000
0  000189    0.5438   99.5025
...
​

RPS 把「绝对涨幅」变成「相对位置」——强者被识别，弱者被过滤。

六、Sequoia-X 与欧奈尔原版的差异

Sequoia-X 用「更短周期 + 更严阈值 + 加突破确认」——信号数量更少但质量更高。

七、为什么 RPS 是「横向视野」的核心

RPS 的独特价值在于它打破了「单只股票视角」的局限：

这正是「RPS 是技术面 + 基本面的桥梁」——它用「涨幅」这个技术指标，间接反映了「业绩 / 题材 / 资金」这些基本面因素。

八、边界与失效场景

RPS 是「全市场横向视野」的策略，必须有「全市场一起涨」的环境——熊市 / 政策市 单独使用风险大。

九、本节在全景图的位置

RPS 相对强度 ✅ ← 本节
        │
        ▼
下一章（第 7 章 事件驱动策略与消息推送）：另一类非行情信号 + 飞书卡片构建
​

本节要点回顾

1. RPS 核心：先纵向算涨幅，再横向排百分位——在比较中识别强者。
2. 数学定义：RPS = 个股涨幅在「全市场同期涨幅分布」中的百分位。
3. 四个步骤：① 算 120 日涨幅 → ② 取最近一日 → ③ 横向排位 → ④ 突破确认。
4. rank(pct=True) * 100：pandas 横向排位的灵魂，一行代码把绝对值变相对位置。
5. Sequoia-X 改良：120 日周期（比欧奈尔 250 日短）+ RPS ≥ 90（比原版严）+ 突破确认。
6. 横向视野：RPS 打破「单只股票视角」的局限，是「技术面 + 基本面」的桥梁。
7. 适配市况：牛市/反弹市最有效，熊市失效。
8. 可运行示例：200 只股票的小型市场，亲眼看 RPS 把强者挑出来。

配套教学脚本：images/rps_demo.py——可用任意合成数据验证 RPS 计算。

至此，六大技术面策略全部精读完毕。下一章进入事件驱动策略（定增公告）与消息推送（飞书卡片）。